利用机器学习的数据驱动控制架构来提高5G网络性能

5G正在从理想的未来迅速转变为现实。首款支持5G的iPhone已经发布。与所有新一代升级一样，5G承诺会在前代产品上有显著的速度提升。 4G-LTE的峰值下载速率为100Mbit / s，平均为25-50Mbit / s。与之形成鲜明对比的是，5G最高可提供1.8Gbps的速度，几乎提高了20倍。此外，5G具有更低的延迟，主要的延迟因素是无线传输时间。Verizon报告称，早期部署的延迟不到30毫秒。5G在用户移动性、能效和同时连接用户数等方面都有额外的益处。

但是，这些改变并不是免费的。 5G部署需要对现有基础设施进行大规模改造，以处理更高频率、波束成形、边缘计算等新技术。幸好这些基础设施的改进也使以前无法实现的应用成为可能。例如，5G有潜力使增强现实（AR）更加现实。

5G系统生成的庞大数据量驱动着以机器学习为主的数据驱动控制架构，这让5G变得更加强大和高效。在本文中，我们将讨论将机器学习应用于5G系统的体系结构。随着5G系统在未来几年变得越来越普及，新的体系架构和新的算法可以为5G系统带来巨大的服务改进并节省成本。

新的5G技术

我们将首先提及5G带来的一些新技术，这些新技术使数据驱动架构成为现实，主要涉及移动边缘计算（MEC）和无线接入网（RAN）。

MEC将计算从集中式服务器移至更靠近不同区域中的移动数据用户的位置。通常，数据从基站转发到中央服务器，由中央服务器处理数据并将响应发送回基站。假定中央服务器离基站有半个国家的距离，则数据的往返时间大约为数十到数百毫秒，这限制了蜂窝网络的响应速度。

MEC将分散式计算带到了蜂窝网络。计算设备不再局限于单个中央服务器，而是分布在全国各地，每个服务区域设置一个或多个计算设备。这种处理延迟时间的减少使得算法比以前复杂得多，尤其是实时算法和特定区域的算法。

图1：传统（左）和5G（右）网络架构之间延迟的比较

数据驱动5G架构的第二个关键因素是无线接入网络（RAN）的改进。 RAN负责将数据从用户设备传输到核心网络。 5G技术为RAN添加了多个频带，波束成形和大规模MIMO。这些改进在将数据传输给用户方面提供了巨大的可配置性，但是它们在编组协调方面提出了挑战。这种可配置性可使人数众多的音乐会大大改善服务质量。

在第一套完整的5G标准中，3GPP指定将前几代基站拆分为多个单独的单元作为5G标准。他们建议将基站分为中央单元、分布式单元和无线电单元（分别为CU，DU和RU）。 5G RAN的分散、灵活的特性可基于来自每个服务区域中数千个单元的数据，来实现复杂的控制方案。

数据驱动的蜂窝架构

利用分布式RAN构建的一种可能数据驱动体系结构包括以下部分：

˙云控制器，用于管理指定服务区域的RAN控制器

˙RAN控制器，用于协调集中式单元和分散式单元，以处理用户设备操作，例如RAN传输和负载平衡

˙集中式和分布式单元，处理数据传输操作

˙无线电单元，用于控制将数据无线传输的射频收发器

Polese等人在其论文中详细地介绍和描述了这种体系结构，该论文提出了一种基于边缘控制器的蜂窝网络架构，并使用来自美国一家主要运营商的数百个基站的真实数据来评估其性能。他们根据用户的全球移动性模式，提供了有关动态集散和关联基站和控制器的宝贵信息。

云和RAN控制器，甚至集中式单元都可以部署在MEC中。分布式组件为协议栈中的不同层分散了关注点，因此，云和RAN控制器可以做出更高级别的决策，而不必担心如信道编码和波束成形之类的底层操作。

图2：Polese等人提出的5G分布式控制架构。

例如，RAN控制器可以聚合来自相应集中式和分布式单元的所有数据，并运行机器学习算法以实时优化服务。然后，云控制器可以聚合来自多个RAN控制器的数据，并确定哪种算法表现最佳。此外，它还可以创建用户行为评估模型，并可以全天候监视不同区域的网络拥塞情况。

机器学习

Polese等人在加州一家蜂窝运营商的4G-LTE网络上利用真实数据测试了其架构。 LTE架构是完全分布式的，但它没有5G架构中现有的聚合和数据共享。他们的研究发现，与LTE架构相比，如上所述基于控制器的5G架构通过聚合来自云和RAN控制器中多个来源的数据，大大提高了预测准确性。这种从众多资源获取信息的途径使该体系结构成为新的数据驱动策略和机器学习的理想选择。在云和RAN控制器上运行算法后，这些算法可以将决策传播到它们各自的CU、DU和RU。

在机器学习算法方面，Polese等人对随机森林、贝叶斯山脊和高斯过程回归进行了试验。作者们使用这些算法来预测不同的关键绩效指标，他们还尝试了基于集群的方法（而不是基于本地的方法），根据位置或数据对控制器进行分组。结果发现，基于数据的集群更为有效，但必须根据网络活动进行定期更新，这需要额外的网络开销才能在集群之间进行协调，但是作者发现每日更新的性能与15分钟更新的性能差不多。

就RMSE（均方根误差）而言，最成功的算法是基于集群的高斯过程回归变量（GPR），其次是基于集群的随机森林和基于本地的贝叶斯岭。基于集群的GPR在1-10分钟之间的所有时间延迟方面均优于其它算法。此外，与基于本地的方法相比，使用基于集群的方法可将RMSE降低53%，直接显示了5G架构相对于LTE的潜在改进。

要点总结

随着5G技术的持续发展，新应用将需要利用5G网络的独特性来充分实现性能和效率提升。利用机器学习之类的数据驱动技术，RAN控制器可以协调分散式基站所提供的服务。在完全分散的LTE架构中简单添加数据共享即可使回归算法的RMSE降低53%，以这种精度预测负载、吞吐量和中断持续时间的能力对于有效管理网络非常有帮助。

（参考原文： How data-driven control using ML improves 5G network performance）

责编：Amy Guan

本文为《电子工程专辑》2021年3月刊杂志文章，版权所有，禁止转载。点击申请免费杂志订阅